L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2875
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Sono interessato all'argomento degli algoritmi con un numero arbitrario di caratteristiche. Conosco le reti ricorrenti - vorrei la stessa cosa, ma senza maglie.
- Sono interessato all'argomento degli algoritmi con un numero arbitrario di caratteristiche. Conosco le reti ricorrenti - vorrei lo stesso, ma senza maglie.
*È possibile utilizzare algoritmi di apprendimento automatico come la regressione lineare, la regressione logistica o l'albero decisionale, che possono gestire un numero arbitrario di caratteristiche. Richiedono meno calcoli delle reti ricorrenti e di solito sono più veloci.
Tuttavia, le reti ricorrenti possono essere efficaci quando è necessario gestire sequenze di dati come testi, messaggi vocali o dati di movimento. Le reti ricorrenti possono ricordare il contesto delle fasi precedenti e utilizzarlo per prevedere la fase successiva. Questo può essere utile, ad esempio, nell'analisi del testo, dove le parole possono avere significati diversi a seconda del contesto.
- Si tratta di funzioni ricorsive che possono dipendere da un numero arbitrario di argomenti, ma che sono definite da funzioni ordinarie a partire da un numero fisso di argomenti. L'esempio più semplice è la media esponenziale.
*Avete descritto correttamente le funzioni ricorsive che sono definite attraverso se stesse. Possono dipendere da un numero qualsiasi di argomenti, ma di solito da un numero fisso di argomenti.
Avete fatto un esempio di media esponenziale, che è una funzione ricorsiva definita come segue:
EMAvolume(t) = (volume(t) + (n - 1) * EMAvolume(t - 1)) / n
Dove EMAvolume(t) è la media esponenziale del volume di trading al t-esimo passo, volume(t) è il volume di trading al t-esimo passo, n è una costante che tiene conto dei pesi dei passi precedenti.
Le funzioni di ricorrenza possono essere utili per modellare sequenze di dati e sono utilizzate in vari campi come la finanza, la biologia e l'informatica.
- Le reti di ricorrenza possono essere di questo tipo, ma ne vorrei una senza maglie.
*Se si vuole lavorare con le funzioni ricorrenti senza usare le reti di ricorrenza, si possono usare algoritmi di apprendimento automatico come la regressione lineare, la regressione logistica o gli alberi decisionali che possono lavorare con sequenze di dati. Possono usare le funzioni ricorrenti come caratteristiche e prevedere i risultati in base a un insieme di caratteristiche.
Tuttavia, questi algoritmi possono essere meno efficienti delle reti ricorrenti quando è necessario gestire un gran numero di sequenze di dati, poiché le reti ricorrenti hanno alcune capacità di gestire le sequenze in modo efficiente che mancano agli altri algoritmi.
Procedere
In alcuni casi, le reti ricorrenti possono essere difficili da addestrare e hanno un'elevata complessità computazionale, poiché richiedono un gran numero di calcoli per gestire le sequenze. In questo caso, potrebbe essere opportuno utilizzare algoritmi di apprendimento automatico come la regressione lineare, la regressione logistica o gli alberi decisionali, che richiedono meno calcoli e funzionano più velocemente.
Tuttavia, se si lavora con sequenze di dati che richiedono un contesto dalle fasi precedenti, le reti ricorrenti possono essere una soluzione migliore rispetto ad altri algoritmi di apprendimento automatico. In questo caso, è necessario considerare tutte le opzioni disponibili e scegliere n
- Idealmente, l'algoritmo dovrebbe ricevere in ingresso tutta la storia disponibile, che ovviamente cresce nel tempo. Dovrebbe decidere in quali pezzi tagliarla e cosa farne.
*Sì, idealmente l'algoritmo dovrebbe essere in grado di lavorare con un numero arbitrario di caratteristiche e determinare da solo quali sono le più importanti per la previsione. Tuttavia, questo può essere difficile per alcuni algoritmi di apprendimento automatico che richiedono un partizionamento manuale delle caratteristiche o un numero fisso di caratteristiche. Un algoritmo che può gestire un numero arbitrario di caratteristiche è il gradient bousting. Questo algoritmo utilizza una composizione di piccoli alberi decisionali, ciascuno dei quali considera solo un piccolo numero di caratteristiche, e li accumula in una somma per produrre l'algoritmo finale. Questo algoritmo può determinare in modo indipendente quali sono le caratteristiche più importanti da prevedere.
È possibile utilizzare anche reti neurali con strati completamente connessi, che possono gestire un numero arbitrario di caratteristiche. Tuttavia, queste reti possono essere meno efficaci quando si tratta di sequenze di dati, poiché non tengono conto delle dipendenze tra le fasi.
È una follia, insegnare a uno sciocco a pregare, gli romperà la fronte. Dare a Maxim un gpt3 he....
Ti suggerirei di tenere la visiera un po' più bassa.
Stiamo esplorando le possibilità dell'algoritmo.Posso analizzare me stesso in modo semplice, la domanda è se è possibile attraverso le query, reinserire il profilo e ottenere un nuovo token, sai come farlo?
Ahimè, non con l'autorizzazione.
Questo è sufficiente
Inoltre, danno all'incirca gli stessi risultati, ma il bousting è più veloce e più flessibile.
È stato detto 100 volte*Puoi
Per estrarre il significato da questo testo bisogna aspettare che appaia GPT4. Non ci sono riuscito)
Non capisco come la regressione logistica possa funzionare con un numero diverso di caratteristiche.
Per estrarre il significato da questo testo bisogna aspettare la comparsa di GPT4. Non l'ho capito)
Non vedo come la regressione logistica possa funzionare con un numero diverso di caratteristiche.
Cerca di essere specifico, ti chiederò
Magari chiedere un semplice esempio di utilizzo della regressione logistica in un compito di classificazione con un numero variabile di caratteristiche?
Magari chiedere un semplice esempio di utilizzo della regressione logistica in un compito di classificazione con un numero variabile di caratteristiche?